PySpark按行功能组合

Question

举一个简化的例子，我有一个数据框“ df”，其列为“ col1，col2”，我想在对每列应用一个函数后计算一个按行的最大值：

def f(x):
    return (x+1)

max_udf=udf(lambda x,y: max(x,y), IntegerType())
f_udf=udf(f, IntegerType())

df2=df.withColumn("result", max_udf(f_udf(df.col1),f_udf(df.col2)))

因此，如果df：

col1   col2
1      2
3      0

然后

df2：

col1   col2  result
1      2     3
3      0     4

上面的方法似乎无效，并产生“无法评估表达式：PythonUDF＃f …”

我绝对肯定“ f_udf”在我的桌子上可以正常工作，而主要问题在于max_udf。

如果不创建额外的列或使用基本的map / reduce，是否可以完全使用数据框和udfs来完成上述操作？我应该如何修改“ max_udf”？

我也尝试过：

max_udf=udf(max, IntegerType())

产生相同的错误。

我还确认了以下作品：

df2=(df.withColumn("temp1", f_udf(df.col1))
       .withColumn("temp2", f_udf(df.col2))

df2=df2.withColumn("result", max_udf(df2.temp1,df2.temp2))

为什么我不能一口气做到这些？

我想看到一个概括为任何函数“ f_udf”和“ max_udf”的答案。

Answer 1

要将多列或整行传递给UDF，请使用struct：

from pyspark.sql.functions import udf, struct
from pyspark.sql.types import IntegerType

df = sqlContext.createDataFrame([(None, None), (1, None), (None, 2)], ("a", "b"))

count_empty_columns = udf(lambda row: len([x for x in row if x == None]), IntegerType())

new_df = df.withColumn("null_count", count_empty_columns(struct([df[x] for x in df.columns])))

new_df.show()

返回：

+----+----+----------+
|   a|   b|null_count|
+----+----+----------+
|null|null|         2|
|   1|null|         1|
|null|   2|         1|
+----+----+----------+